[论文解读] Automatic event detection in football using tracking data

Ferran Vidal-Codina, Nicolas Evans+2 more|arXiv (Cornell University)|Feb 1, 2022

Sports Analytics and Performance被引用 9

一句话总结

本文提出了一种基于决策树的确定性算法，通过首先识别每帧中的球权，再应用足球规则，利用2D球员与球追踪数据自动检测足球事件。该方法在多个赛事和追踪数据提供商中均实现了超过90%的检测准确率，实现了无需人工标注的可扩展、一致且富含上下文的事件数据生成。

ABSTRACT

One of the main shortcomings of event data in football, which has been extensively used for analytics in the recent years, is that it still requires manual collection, thus limiting its availability to a reduced number of tournaments. In this work, we propose a deterministic decision tree-based algorithm to automatically extract football events using tracking data, which consists of two steps: (1) a possession step that evaluates which player was in possession of the ball at each frame in the tracking data, as well as the distinct player configurations during the time intervals where the ball is not in play to inform set piece detection; (2) an event detection step that combines the changes in ball possession computed in the first step with the laws of football to determine in-game events and set pieces. The automatically generated events are benchmarked against manually annotated events and we show that in most event categories the proposed methodology achieves $+90\%$ detection rate across different tournaments and tracking data providers. Finally, we demonstrate how the contextual information offered by tracking data can be leveraged to increase the granularity of auto-detected events, and exhibit how the proposed framework may be used to conduct a myriad of data analyses in football.

研究动机与目标

• 解决人工事件数据收集的局限性，包括主观性、耗时性以及大多数足球赛事中数据不可用的问题。
• 开发一种仅使用追踪数据和足球规则的自动化、可扩展且一致的事件数据生成方法。
• 通过整合球员位置、球权和球队配置等上下文信息，提升事件的粒度。
• 通过将自动生成的事件与视频和追踪数据对齐，实现同步化、可查询的数据集，以支持高级足球分析。
• 为未来整合基于视频的事件检测和音频线索（如裁判哨声）奠定基础，以提升对边缘情况的检测能力。

提出的方法

• 该算法采用两步流程：首先通过空间邻近度、速度和球轨迹分析，确定每帧中持球球员。
• 通过分析球员在非进行时段（如定位球）的空间聚类和位置稳定性，建模球员配置。
• 在事件检测阶段，应用足球规则分析球权和球员位置的变化，以分类事件，如传球、射门、进球、犯规和定位球。
• 利用空间和时间模式（如基于场地位置和对手距离的可变半径区域）推断意图和事件类型。
• 通过整合球队阵型、施压指标和球权持续时间等上下文数据，优化事件分类。
• 该框架计算轻量化，可适配不同追踪数据提供商和体育场环境。

实验结果

研究问题

• RQ1 仅使用2D追踪数据和足球规则，能否在无需人工标注的情况下准确检测足球事件？
• RQ2 与基于运动的简单方法相比，引入球权追踪和球员配置信息在多大程度上提升了事件检测的准确率？
• RQ3 该框架在不同赛事和追踪数据提供商之间（数据质量与分辨率各异）的泛化能力如何？
• RQ4 该算法能否仅通过质心追踪数据检测出复杂事件，如铲球、越位和传球类型？
• RQ5 如何通过整合额外数据源（如音频哨声、肢体追踪）进一步提升对模糊或罕见事件的检测性能？

主要发现

• 所提出的算法在大多数事件类别中均实现了超过90%的检测率，展现出在不同赛事和追踪数据提供商之间高度的准确性和鲁棒性。
• 该框架不仅能成功识别进球、射门等常见事件，还能以高保真度识别复杂定位球和球权转换。
• 通过引入基于球权的热力图和帧级球权追踪，实现了在球队和个体球员层面更细致、更具上下文意识的事件分析。
• 自动生成的事件数据与视频和追踪数据实现同步，支持高级分析、视频分割和针对性事件查询。
• 该方法计算效率高且可扩展，适用于业余和职业足球联赛的广泛部署。
• 未来改进（如整合音频线索和基于视频的分类器）有望进一步提升对罕见或模糊事件（如VAR干预、坠球与任意球）的检测能力。